Fiabilidad y Validez:

Conceptualización y procedimientos de cálculo con Spss

Antoni Ruiz Bueno 2015

LOS CONCEPTOS DE VALIDEZ Y FIABILIDAD

Estos dos conceptos hacen referencia a la fase que hemos denominado de recogida de
datos, que otros llaman de medición, y por tanto, se habla de “error de medición” (No
entrarían los problemas o errores derivados de la selección de sujetos ni los referentes al
tratamiento o análisis de datos).

La Fiabilidad se focaliza en conocer la posibilidad de “reproducir el resultado” e indica:

“El grado en que un procedimiento concreto de traducción de un concepto en variable produce los
mismos resultados en pruebas repetidas con el mismo instrumento de investigación (estabilidad), o con
instrumentos equivalentes (equivalencia)” Corbetta, P. (2007) Metodología i técnicas de investigación social. Edición revisada. Madrid. MacGraw-
Hill
Ejemplo: Al pesar un objeto varias veces, Aplicación de un Test etc..

La fiabilidad se suele asociar al error aleatorio (Podemos controlarla con más facilidad)

La Validez, hace referencia al grado en que un determinado procedimiento de traducción de un

concepto en variable registra efectivamente el concepto en cuestión.
Ejemplo: Si el cociente intelectual permite registrar efectivamente la inteligencia. Si un termómetro mide
realmente la
temperatura

La validez se suele asociarse al error sistemático (es difícil de identificar, ya que el error
sistemático está presente en todas las observaciones).
Fiabilidad i Validez: Procedimientos métricos
Cualquier instrumento de medida, procedimiento de conteo o de clasificación que se utiliza en
ciencias sociales, está sujeto a errores de medida en mayor o menor grado. Estos errores
fundamentalmente son debidos a la variación que se produce entre una administración y otra.
Por tanto, se entiende por fiabilidad, lo mismo que podemos entender en nuestro lenguaje
cotidiano.
Uno de los significados que otorgamos es el de precisión (nos fiamos más de aquellos
instrumentos que son precisos) pero en ciencias sociales es muy complicado porque “no hay
forma de tener una medida directa de la variable que se pretender medir para comparar”
(Delgado_Alvarez, C. (2014).

El otro, hace referencia a la confiabilidad, es decir, observar el comportamiento en diferentes

situaciones y comprobar la consistencia. Éste es el que se utiliza con mayor frecuencia en
ciencias sociales. Entre los diversos índices el más utilizado es el Alfa de Cronbach.

Cuando en un estudio se crean escalas para medir un concepto y se intenta que los ítems
midan lo que pretendemos medir, solo podemos comprobarlo cuando administramos el
instrumento creado. De esta manera, podemos ver si los ítems que hemos propuesto
discriminan. Entre los distintas formas de obtener la discriminación entre las preguntas una de
ellas es la que se calcula mediante el índice de homogeneidad corregido o de discriminación.
Este índice se basa en que un ítem será discriminativo si la persona que puntúa alto en él,
puntúa también alto en el constructo o concepto que pretende medir la escala.
Por tanto, se debe de producir una correlación alta y positiva entre las puntuaciones del ítem
y la puntuación total en la escala (el sumatorio del resto de los ítems).
En definitiva, tenemos a nuestra disposición diferentes procedimientos para
conocer la exactitud en la medida (la fiabilidad).

• La consistencia interna de la escala.

• En el transcurso del tiempo (Repetibilidad)

• La triangulación mediante la concordancia. ( Caso especial de consistencia:

puede ser intra_observadores, inter_observadores o entre métodos de
medición) en función de la naturaleza de la medición existen diversos índices:
entre ellos podemos destacar los siguientes:

.- El coeficiente Kappa –variables cualitativas-

.- El coeficientes de correlación intraclase, en el caso de variables

cuantitativas.
Tipos de fiabilidad
1)La estabilidad o constancia de las puntuaciones obtenidas por los mismos sujetos en una
misma prueba aplicada en dos ocasiones, dando lugar al procedimiento Test-retest, cuya
correlación estima la fiabilidad y se conoce como coeficiente de estabilidad.

2)La equivalencia de las puntuaciones o resultados obtenidos por los mismos individuos sobre
la base de dos pruebas paralelas o instrumentos considerados equivalentes o intercambiables para
la medida del mismo rasgo.

3)La consistencia interna o coherencia de las puntuaciones obtenidas en el marco de un mismo

procedimiento de medida, parte del supuesto de que todos los elementos de un procedimiento o
los ítems de una prueba conducen a la medida de un mismo rasgo o porciones coherentes del
mismo. Desde este punto de vista, una prueba unitaria puede ser aleatoriamente descompuesta en
partes, normalmente dos, dando lugar al procedimiento de las mitades. Su resolución implica
considerar la fórmula del procedimiento de Spearman-Brown sobre el coeficiente de correlación de
Pearson entre ambas mitades, dada la homogeneidad de varianzas; o en cualquier caso, los
coeficientes de Rulon y Guttman. También puede llevarse el planteamiento al extremo y
considerarse cada elemento de la prueba como un subconjunto de la misma, dando lugar el
método de intercorrelación de elementos. Una vertiente de este método es considerar el coeficiente
medio que se obtendría al dividir las pruebas en infinitos pares de mitades diferentes, dando lugar
a los procedimientos de Kuder y Richardson (KR-20 y KR-21). Otra vertiente de este método es el
procedimiento alfa de Cronbach que implica determinar la varianza correspondiente a cada uno de
los ítems.

García Pérez, R. (2003): La Medida en Educación: Concepto e Implicaciones en las Actividades Diagnósticas. En García Pérez (Ed.)
Técnicas e Instrumentos de Diagnóstico. Proyecto Docente del Dpto. MIDE de la Universidad de Sevilla. Capítulo 2, pp. 131-211. Sevilla:
Editorial IETE (en prensa).
Tipos y procedimientos de fiabilidad (Del Rincón y Otros, 1995: 58).

Concepto de Procedimientos de cálculo

Fiabilidad

ESTABILIDAD Test-retest

EQUIVALENCIA Formas paralelas

Spearman-Brown

CONSISTENCIA De las mitades

INTERNA Rulon y Guttman

Kuder-Richardson
Intercorrelación de
elementos Alfa de Cronbach
Fiabilidad en SPSS
Analizar
Escala
Análisis fiabilidad

Ítems de la escala

Metodos de calculo: Estadísticos necesarios

Alfa
Dos mitades
Guttman Etiqueta para el
Paralelo procedimiento
Paralelo estricto
OUTPUT ANALISIS FIABILIDAD
Estadísticas de elemento
Fiabilidad
Desviación
Escala: ESCALA ACTITUD Media N
estándar
ACT1 Millor manera apendre 3,29 1,893 126
ACT2 Per la intimitat personal 3,38 1,955 126
ACT3 Alumnes espavilen ells 4,80 1,734 126
Resumen de procesamiento de casos ACT6 Treball en grup defineix 3,37 1,797 126
ACT8 Informació irreal pràctica 3,49 1,719 126
ACT10 Més independent 4,45 2,026 126
N % ACT11 Suposen estalvi de temps 4,33 2,027 126
Casos Válido 126 100,0 ACT12 S'apren forma més activa 3,61 1,885 126 Estadísticos
Excluidoa 0 ,0 ACT13 Fan bonica la docència 3,27 1,928 126
Total 126 100,0 ACT14 Diferencies entre companys disminueix 4,20 1,820 126 descriptivos de
a. La eliminación por lista se basa en todas
ACT15 Veure el meu progrés 3,91 1,859 126 cada ítem
ACT17 S'apren més ràpit 3,43 1,899 126
las variables del procedimiento. ACT18 Totes les classes virtuals 2,60 1,952 126
ACT19 Pràctica professional millora 3,13 1,852 126
ACT20 Més participatiu alumnes 3,16 1,865 126
ACT21 Major control professor 4,40 1,683 126
ACT22 Major implicació alumne 3,90 1,934 126
Balance de casos en el calculo ACT23 Els professor ajuden més 3,46 1,853 126
ACT25 Relacions alumnes és reforcen 2,90 1,668 126
ACT26 Permeten ampliar materia 4,08 1,733 126
ACT27 Aprenentatge reçolzat 3,79 1,774 126
ACT28 Les coses sàprenen millor 3,08 1,836 126
ACT29 REC_Són una forma de perdre el temps 4,62 2,015 126
ACT32 Adquirir fàcilment coneixements 3,94 1,810 126

Estadísticas de fiabilidad
Alfa de Cronbach
,914
Índice que oscila entre 0 i 1: Se considera fiable con
N de puntuaciones superiores a 0,85. (hay otros autores que
elementos lo consideran a partir de 0,70).
Este índice es sensible (a variaciones) a la longitud de la
escala y la variabilidad de la muestra (según homogeneidad
24 de la muestra). Este índice aumenta si aumentamos los ítems
de la escala y la variabilidad de la muestra.
 Estadísticas de total de elemento

Varianza de
Aportación del ítem a la
Media de escala escala si el Correlación total Alfa de Cronbach si escala. Es el índice de
si el elemento se elemento se de elementos el elemento se ha
ha suprimido ha suprimido corregida suprimido homogeneidad corregido.
ACT1 Millor manera apendre 85,29 595,041 ,731 ,906 Proporciona la capacidad de
ACT2 Per la intimitat personal 85,20 652,816 ,095 ,919 discriminación. Es una
ACT3 Alumnes espavilen ells 83,78 626,526 ,421 ,912
correlación, por tanto, va de 0
ACT6 Treball en grup defineix 85,21 612,101 ,571 ,910
a 1. Siempre debe de ser
ACT8 Informació irreal pràctica 85,09 657,296 ,066 ,918
positivo y próximo a 1 ya que
ACT10 Més independent 84,13 613,360 ,485 ,911
ACT11 Suposen estalvi de temps 84,25 615,103 ,466 ,912
esto indica mejor calidad.
ACT12 S'apren forma més activa 84,97 592,447 ,764 ,906
ACT13 Fan bonica la docència 85,31 643,607 ,192 ,917
ACT14 Diferencies entre companys disminueix 84,38 632,846 ,327 ,914
ACT15 Veure el meu progrés 84,67 606,608 ,612 ,909
ACT17 S'apren més ràpit 85,15 589,889 ,787 ,905
ACT18 Totes les classes virtuals 85,98 600,711 ,644 ,908
ACT19 Pràctica professional millora 85,44 594,505 ,755 ,906
ACT20 Més participatiu alumnes 85,42 599,926 ,686 ,907
ACT21 Major control professor 84,18 643,542 ,231 ,916
ACT22 Major implicació alumne 84,68 590,538 ,764 ,905
ACT23 Els professor ajuden més 85,12 596,282 ,733 ,906
ACT25 Relacions alumnes és reforcen 85,68 605,274 ,707 ,907
ACT26 Permeten ampliar materia 84,50 610,188 ,618 ,909
ACT27 Aprenentatge reçolzat 84,79 604,597 ,669 ,908
ACT28 Les coses sàprenen millor 85,50 596,460 ,739 ,906
ACT29 REC_Són una forma de perdre el temps 83,96 656,086 ,058 ,920
ACT32 Adquirir fàcilment coneixements 84,64 601,303 ,693 ,907
Procedimiento de ajuste para el calculo de la fiabilidad

a.- En la formulación de los ítems de la escala se han de contemplar las dimensiones que se
explorarán.

b.- En el caso de las escalas de actitud, considerar ítems de favorabilidad i no favorabilidad.

c.- El índice de homogeneidad corregido ha de ser de signo positivo en todos los ítems. De
esta manera podemos confeccionar el total de la escala.

.- Para ello cuando un ítem aparece con correlación negativa, se procede a cambiar el sentido
del ítem. (por regla general se utiliza una recodificación de valores del ítem, cambio del
sentido escalar (1=5, 2=4, 3=3, 4=2, 5=1).

.- También se puede aumentar la fiabilidad eliminando ítems, cuando el índice tiene muy
poco correlación con el total de la escala. (valores inferiores a 0.10)

d.- Es muy importante si se van a realizar procedimientos multivariados que la escala esté
fiabilizada y con todos los ítems en un sentido.
Índices de concordancia

Variables Cuantitativas:
Analizar
Escala
Análisis fiabilidad

Tabla 5. Valoración de la concordancia según los

valores del Coeficiente de Correlación Intraclase
(CCI).
Valor del CCI Fuerza de la concordancia
>0,90 Muy buena
0,71-0,90 Buena
0,51-0,70 Moderada
0,31-0,50 Mediocre
<0,30 Mala o nula
Variables Cualitativas:

Analizar
Estadísticos descriptivos
Tablas de contingencia
Tipos de validez
1.- La validez de contenido:
Se sitúa en el plano teórico. Consiste en ver la adecuación de los indicadores utilizados en una investigación y el
significado que se le ha dado al concepto operacionalizado. La validación se da en le plano lógico. La forma
empírica de realizar esta validez es una descomposición analítica del concepto estudiado.
2.- La validez criterial:
Se basa en la correspondencia entre el indicador y un criterio externo que se considera correlacionado con
el concepto.
Se pueden considerar dos tipos de validez por criterio o procedimientos:
2.-1 Validez predictiva:
Consiste en relacionar el dato de un indicador con un hecho sucesivo vinculado al mismo.
Ejemplo: Resultado test de acceso a la Universidad puede correlacionarse con la calificaciones.
Un resultado de actitud frente al trabajo puede validarse con el rendimiento en el
trabajo.
2.-2 Validez concurrente o simultánea :
Cuando un indicador está relacionado con otro registrado en el mismo momento.
Ejemplo: Un indicador de religiosidad puede aplicarse a personas pertenecientes a grupos religiosos
que asistan regularmente a la iglesia para controlar si, como se espera, el indicador registra valores
de religiosidad elevados para dichas personas.
3.- La validez de Constructo:
“Referida al grado en que un procedimiento de medida contempla de forma adecuada el
constructo teórico o rasgo abstracto que pretende medir y en qué nivel las hipótesis derivadas del mismo se
confirman empíricamente mediante dicho procedimiento”. (García Pérez, R. (2003)
El procedimiento se basa en consideraciones teóricas y la referencia a otros indicadores ya
aceptados como válidos. Ejemplo: Por investigaciones realizadas, se sabe que hay una relación entre el nivel
de estudios y los prejuicios raciales. Si establecemos un nuevo indicador de prejuicio, su validez de constructo
se puede evaluar según su concordancia con estas expectativas. (Se podría considerar como un tipo de
validez que es la combinación de las dos anteriores)
 PASOS EN LA EJECUCIÓN DEL ANÁLISIS
FACTORIAL EXPLORATORIO (como procedimiento de
validez de constructo o validez de rasgo) CON SPSS
Análisis factorial:
Obteniendo la estructura interna

El análisis factorial es un buen procedimiento para conocer en cierta medida la

validez, ya que permite a partir de un constructo definido en un instrumento
confirmar su estructura interna o latente (sus dimensiones) a partir de las
puntuaciones obtenidas en los respondientes. A nuestra disposición tenemos dos
tipos de Análisis factorial, el denominado Confirmatorio y el Exploratorio.

El análisis factorial confirmatorio, es una técnica que trata de valorar el ajuste

de nuestros datos a la estructura que pensamos que tienen (se llevan a cabo
mediante programas como el AMOS, EQS o MPLUS).

Por el contrario, el análisis factorial Exploratorio, consiste en identificar

dimensiones latentes en un conjunto de datos a partir de las relaciones entre las
variables. Es el que veremos aquí.
Procedimiento de ejecución_ Spss: Pasos
Analizar Reducción de dimensiones Factor

Paso_1º
Paso_2º

Paso_3º

Paso_5º

Paso_4º

Selección Ítems a factorizar

PASOS_1º: Ejecución en Spss.
Descriptivos y pruebas de adecuación del anàlisis.

Estadísticos descriptivos (media y desviación)

de las variables sometidas análisis

Solución factorial sin rotación. Inicial

Pruebas sobre la adecuación del análisis

factorial.
PASOS_1º: outputs: Solución factorial sin rotación. Inicial

Estadísticos descriptivos Comunalidades

Media Desviación típica N del análisis Inicial Extracción
B1 Dificil 5,64 1,089 227 B1 Dificil 1,000 ,745
B2 Interessant 4,70 1,222 227 B2 Interessant 1,000 ,648
B3 Útil 5,11 1,278 227 B3 Útil 1,000 ,803
B4 Necessaria 4,89 1,305 227 B4 Necessaria 1,000 ,810
B5 Complicada 5,66 1,139 227 B5 Complicada 1,000 ,655
B6 Superflua 3,78 1,298 227 B6 Superflua 1,000 ,625
B7 Progressiva 5,29 1,032 227 B7 Progressiva 1,000 ,551
B8 Dura 5,55 1,145 227 B8 Dura 1,000 ,683
B9 Aburrida 4,24 1,474 227 B9 Aburrida 1,000 ,707
B10 Seria 5,50 1,134 227 B10 Seria 1,000 ,445
B11 Important 5,23 1,126 227 B11 Important 1,000 ,614
B12 Pesada 4,70 1,392 227 B12 Pesada 1,000 ,701
B13 Llunyana 4,20 1,445 227 B13 Llunyana 1,000 ,579
B14 Intangible 4,10 1,357 227 B14 Intangible 1,000 ,712
B15 Estructurada 5,87 ,910 227 B15 Estructurada 1,000 ,285

Con el análisis de Componentes Principales se

considera toda la varianza, común y no común (se
Media y desviación colocan unos en la diagonal de la matriz de
típica de los ítems correlaciones)
a factorizar.
PASOS_1º: outputs: condiciones aplicación_ interpretación

Condiciones de
aplicación: Output
El tamaño de la muestra: Spss:
No existe un criterio o norma definitiva sobre el número de
sujetos necesario. En principio son preferibles muestras KMO y prueba de Bartlett
grandes porque el error típico de los coeficientes de
correlación será menor y de esta manera disminuye también
la probabilidad de que surjan factores casuales que no
aparecerán en análisis sucesivos con otras muestras. Medida de adecuación muestral
,823
.- 300 a un mínimo de 150-200 sujetos. de Kaiser-Meyer-Olkin.
.- Ratios de 10 o 5 individuos por variable
Chi-
Prueba de 472,78
cuadrado 9
Correlación entre las variables: esfericidad
Todos los coeficientes de correlación han de ser superiores a aproximado
0.30, ya que si hay de inferiores el análisis factorial no es el
de Bartlett
apropiado. gl 66
El spss nos proporciona dos estadísticos para comprobar este Sig. ,000
hecho:
KMO (índice de 0 a 1; el valor 0.6 es el mínimo
sugerido para aceptar la adecuación muestral
Bartlett (prueba que considera si el análisis factorial es
apropiado) La significación ha de ser inferior o igual a p<
0.05
PASOS_2º: Ejecución en Spss. Método de extracción de factores.

Procedimiento concreto para la extracción de

los factores que representan el conjunto de
relaciones entre las variables a análisis:
En Spss se pueden elegir:
.- Componentes principales
.- Máximos cuadrados no ponderados
.- Mínimos cuadrados generalizados,
.- Máxima verosimilitud
.- Factorización de ejes principales
.- Análisis Alfa
.- Análisis imagen

La estructuras resultantes con los diferentes

procedimientos son muy parecidas

Factores sin aplicar la rotación (facilita

la interpretación)

Procedimiento para decidir el número de

factores a retener. (existen otros como el
Horn’s Parallel analysis, que veremos
aquí)
Posibilidad de demandar un número fijo de
factores.
Decisión del nº de factores a considerar

Varianza total explicada

Componente Autovalores iniciales Sumas de las saturaciones al cuadrado de la extracción

Total
% de la varianza % acumulado
Total % de la varianza % acumulado
1 3,832 25,546 25,546 3,832 25,546 25,546
2 2,989 19,925 45,471 2,989 19,925 45,471
3 1,534 10,228 55,699 1,534 10,228 55,699
4 1,207 8,045 63,744 1,207 8,045 63,744
5 ,926 6,176 69,920
6 ,850 5,665 75,585
7 ,645 4,297 79,882
8 ,575 3,835 83,717
9 ,496 3,308 87,025
10 ,462 3,083 90,108
11 ,393 2,622 92,730
12 ,345 2,299 95,029
13 ,314 2,096 97,126
14 ,245 1,630 98,756
15 ,187 1,244 100,000

Varianza explicada por cada factor y la Varianza explicada por cada factor y la
acumulada en porcentaje. Matriz SIN rotar acumulada en porcentaje. Matriz rotada
El SPSS nos da un gráfico o perfil denominado gráfico de sedimentación en el que aparecen el
número de factores o componentes (en el eje X; el número de componentes coincide con el
número de ítems) y los eigenvalues [eje Y] o varianza explicada por cada factor. El punto de
corte para establecer el número de factores que se van a rotar se sitúa en el punto de
inflexión de la línea descendente que va uniendo los diversos eigenvalues. (Morales, 2011)
Horn’s Parallel analysis (1965)

Programa: Monte Carlo PCA for parallel analysis

http://downloads.fyxm.net/download-now-Monte-Carlo-PCA-for-Parallel-Analysis-Others-Home-
&-Education-66545.html

El programa únicamente necesita tres elementos

de información:
.- El número de variables que se analizan (en
nuestro caso 15)
.- El número de sujetos en la muestra (227)
.- El número de réplicas (podemos especificar
100)**

** Este programa se basa en el remuestreo para su

cálculo
El programa genera 100 muestras del mismo tamaño,
que es lo que hemos indicado y calcula la media de
eigenvalues para las 100 muestras. Que es el output
que nos proporciona el programa.

Se trata de comparar el resultado de los

valores obtenidos con el Spss para cada factor
y compararlo con el obtenido con el programa
de Parallel Analysis.
SI EL VALOR DEL FACTOR DE SPSS ES
MAYOR QUE EL OBTENIDO CON EL PARALLEL
SE ACEPTA EL FACTOR. En nuestro caso es
adecuado tener 4 factores. Tal como muestra
la tabla

Numero de Eigenvalue Eigenvalue Decisión

Factor en Spss PCAParallel

1 3,83 1,47 aceptado

2 2,98 1,35 aceptado

3 1,53 1,27 aceptado

4 1,20 1,14 aceptado

PASOS_3º: Ejecución en Spss.
La rotación de factores: La interpretabilidad
Las rotaciones son transformaciones lineales que facilitan la interpretación sin alterar la
proporción de varianza explicada por los factores (Nunnally y Bernstein, 1994:537), citado
en Morales, 2013.

Podemos decir que hay dos aproximaciones fundamentales en los

procedimientos de rotación. La denominada ortogonal, genera factores
NO relacionados entre sí (procedimiento de extracción corresponde al
de componentes principales) y la rotación oblicua, produce factores que
están relacionados entre sí.

Con la rotación ortogonal lo más común es utilizar

el método de rotación Varimax. Mientras que en
el procedimiento de rotación oblicua lo más
común es la Oblimin directo.
Por lo general las dos aproximaciones dan
resultados muy parecidos.

.
 Matriz de componentes Tabla con la matriz de componentes de
Componente
1 2 3 4 cada factor antes de la rotación.
B1 Dificil
B2 Interessant
,714
-,452
,231
,526
-,144
,340
-,401
-,228
Muestra el peso que tiene cada ítem en
B3 Útil -,327 ,776 ,028 ,305 el factor.
B4 Necessaria -,290 ,802 -,078 ,277
B5 Complicada ,702 ,275 -,196 -,216
B6 Superflua ,085 ,076 ,780 -,065
B7 Progressiva -,106 ,460 ,114 -,561
B8 Dura ,701 ,289 -,066 -,321
B9 Aburrida ,696 ,048 -,111 ,456
B10 Seria ,420 ,437 -,275 ,041
B11 Important -,192 ,749 -,006 ,127
B12 Pesada ,798 ,097 ,009 ,233
B13 Llunyana ,591 -,049 ,397 ,265
B14 Intangible ,477 ,048 ,692 ,060
B15 Estructurada ,116 ,517 -,054 ,042

Matriz de componentes rotados Matriz rotada, es la que hemos de

Componente interpretar para conocer la
1 2 3 4
B1 Dificil ,854 -,090 -,025 ,079 composición de cada factor. Para una
B2 Interessant -,168 ,491 -,586 ,189
B3 Útil -,118 ,885 -,075 -,013 mejor visualización es importante
B4 Necessaria
B5 Complicada
-,040
,798
,891
,019
-,065
,125
-,101
,042
considerar la pestaña Opciones del
B6 Superflua -,083 ,021 -,193 ,762 programa
B7 Progressiva ,281 ,237 -,642 ,061
B8 Dura ,811 -,006 ,007 ,157
B9 Aburrida ,412 ,057 ,715 ,155
B10 Seria ,544 ,321 ,189 -,096
B11 Important
B12 Pesada
,062
,571
,767
-,002
-,148
,540
-,015
,287 Se considera poco peso cuando el ítem es
B13 Llunyana
B14 Intangible
,239
,190
-,081
-,045
,423
,117
,580
,813 inferior a 0.3_0.4 (se interpreta dicho peso
B15 Estructurada ,273 ,459 -,014 ,019
como un índice de correlación).
 Matriz de transformación de las componentes

Componente 1 2 3 4

1 ,796 -,219 ,463 ,322

2 ,355 ,907 -,221 ,058

3 -,263 -,008 -,207 ,942

4 -,414 ,361 ,833 ,071

En esta tabla que aparece al final del output del procedimiento factorial, nos
proporciona la fuerza de relación entre los factores obtenidos. Dichos valores
son bajos cuando no superan el 0.30. De hecho nos dice si la decisión de
utilizar la rotación Varimax ha sido la adecuada, o bien, es necesario utilizar la
Oblimin.
Si la solución Varimax ofrece índices de relación bajos, nos indica que se
obtendrán resultados muy parecidos con Oblimin, pero si son altos (superiores a
0.3) las soluciones factoriales con los dos procedimientos serán discrepantes.
En este último caso, se ha de presentar en el resultado los dos procedimientos.
(Pallant, 2013:197-198)
PASOS_4º: Ejecución en Spss.
Guardar puntuaciones factoriales y/o generar puntuaciones directas

Puntuación directa: la puntuación de un sujeto a un factor

la podemos obtener mediante la suma de las puntuaciones
de los ítems que componen el factor. Prácticamente es
asignar el valor 1 a los ítems que componen el factor y 0 a
los que no lo definen.

Puntuación factorial: Es la puntuación estandarizada de un

sujeto a un factor. El cálculo más habitual es el llamado
procedimiento de regresión (supone el cálculo de una serie
de ecuaciones de regresión múltiple, una por cada
dimensión latente –factor- (D’Ancona, 2004: 502).
Al estar estandarizada la puntuación, la media es 0 y las
puntuaciones negativas indican puntuaciones bajas
(inferiores a la media). El programa Spss, creará tantas
variables de factor como obtengamos en el análisis. Estas
variables pueden ser tratadas como cualquier variable
métrica.
PASOS_5º: Ejecución en Spss.
Visualización análisis

Con las opciones que ofrece el programa,

podemos marcas aquellas que nos permiten
visualizar de forma más clara la composición de
cada factor. En este caso, que ordene los ítems
por peso o tamaño en la composición del factor y
a la vez suprimir aquellos pesos inferiores a .40
(es decir que explican menos del 16% de la
variabilidad).

Veamos a continuación el output.

 Matriz de componentes rotados
Componente
1 2 3 4
B1 Dificil ,854
B8 Dura ,811
B5 Complicada ,798 Factor-1.
B12 Pesada
B10 Seria
,571
,544
,540
(La exigencia de la estadística y sus consecuencias)
B4 Necessaria ,891
B3 Útil ,885
B11 Important ,767 Factor-2
B15 Estructurada ,459
B9 Aburrida ,412 ,715
B7 Progressiva -,642
Factor-3
B2 Interessant ,491 -,586
B14 Intangible ,813
B6 Superflua ,762 Factor-4
B13 Llunyana ,423 ,580

A cada uno de los factores se ha de dar un nombre que lo identifique, en

definitiva es la estructura latente que se desprende de los ítems de toda la
escala, su dimensionalidad.
 Apéndice: Análisis con rotación Oblimin

Matriz de configuración. Matriz de estructura

Componente Componente
1 2 3 4 1 2 3 4
B1 Dificil ,888 B1 Dificil ,848
B8 Dura ,820 B8 Dura ,817
B5 Complicada ,793 B5 Complicada ,805
B10 Seria ,502 B10 Seria ,564
B4 Necessaria ,905 B4 Necessaria ,889
B3 Útil ,903 B3 Útil ,875
B11 Important ,761 B11 Important ,779
B15 Estructurada ,450 B15 Estructurada ,479
B14 Intangible ,808 B14 Intangible ,830
B6 Superflua ,780 B6 Superflua ,746
B13 Llunyana ,565 ,414 B13 Llunyana ,608 ,478
B9 Aburrida ,722 B9 Aburrida ,471 ,768
B7 Progressiva -,672 B2 Interessant ,518 -,654
B2 Interessant ,438 -,556 B12 Pesada ,624 ,636
B12 Pesada ,454 ,521 B7 Progressiva -,604
 Bibliografía consultada:

Abad, F. J., Olea, J., Ponsoda, V., y Garcia, C. (2011). Medición en ciencias sociales y de la
salud. Madrid. Síntesis.

Cea-D’Ancona, M.A. (2004). Análisis multivariante. Teoría y práctica en la investigación

social. Madrid. Síntesis.

Delgado-Alvarez, C. (2014). Viajando a Ítaca por mares cuantitativos. Manual de ruta para
investigar en grado y postgrado. Salamanca. Amarú.

Morales, P. (2013). El análisis factorial en la construcción e interpretación de tests, escalas i

cuestionarios. Madrid.
http://web.upcomillas.es/personal/peter/investigacion/AnalisisFactorial.pdf (consultado:
27 Abril 2015)

Pallant, J. (2010). Spss survival manual. Mc Graw-Hill. Berkshire. England